حمیده شکاری - Payame Noor University

مقدمه: اعضای هیئت­علمی از عوامل اصلی نظام آموزش عالی هستند که تنیدگی شغلی بالای ناشی از وظایف آموزشی، پژوهشی و اجرایی، آن­ها را در معرض ابتلا به فرسودگی شغلی قرار می­دهد. هدف از این مطالعه پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی است. روش بررسی: تحقیق حاضر از لحاظ روش، توصیفی و از لحاظ هدف، کاربردی است. جامعه آماری این پژوهش اعضای هیئت­علمی دانشگاه پیام نور استان یزد می­باشد. تجزیه و تحلیل­ها بر روی ۳۱۵ داده (نفر/سال) که از  ۱۰۵ عضو هیئت­علمی در سه سال تحصیلی گذشته انجام شد. داده­ها با استفاده از دو پرسش­نامه بسته جمع­آوری شد. تحلیل داده­ها با نرم افزارSPSS  ورژن ۲۲ انجام گرفت. برای تحلیل داده­ها شامل ۲۳ متغیر مستقل و یک متغیر وابسته دو نوع شبکه عصبی پرسپترون چند لایه و تابع شعاع مدار طراحی و اجرا شد. نتایج: درصد صحت پیش­بینی فرسودگی شغلی در داده­های آموزش و آزمایش و اعتبارسنجی برای شبکه عصبی MLP به ترتیب برابر با ۳/۸۳، ۹/۸۰ و ۵/۷۴ و برای شبکه عصبی RBF به ترتیب برابر با ۱/۷۳، ۰/۹۳ و ۹/۷۶ محاسبه شد. سطح زیر منحنی راک برای دو شبکه MLP و RBF برابر با ۸۲۳/۰ و ۸۳۳/۰ بدست آمد. نتیجه­گیری: مقایسه دو شبکه عصبی MLP و RBF بر اساس معیارهای سطح زیر منحنی راک و درصد صحت پیش­بینی نشان داد شبکه عصبی RBF در پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد کاراتر است و متغیرهای گروه علمی، مقطع تدریس، سن و میزان ارتباطات بیشترین تاثیر را بر فرسودگی شغلی داشته­اند.  

Forecasting, Burnout, Neural Network, پیش بینی, فرسودگی, شبکه عصبی